生成式AI質(zhì)量預(yù)測(cè)
關(guān)注創(chuàng)建者：匿名 創(chuàng)建時(shí)間：2026-01-04
生成式AI質(zhì)量預(yù)測(cè)的實(shí)例教程
射出成型制程三大階段依序?yàn)槌涮睢⒈号c冷卻，利用射出成型技術(shù)生產(chǎn)之成品容易發(fā)生翹曲與收縮變形情況，造成成品缺陷有許多因素，包含材料特性、加工參數(shù)設(shè)置、環(huán)境與模具等影響，運(yùn)用工程統(tǒng)計(jì)與CAE模擬進(jìn)行具備策略性的加工制程調(diào)整能夠更有效率控制質(zhì)量。透過(guò)感測(cè)技術(shù)分析壓力曲線所具備之物理意義，用于調(diào)整機(jī)臺(tái)以利取得最佳參數(shù)設(shè)置，獲得高質(zhì)量成品[1]。
在射出成型過(guò)程中可控制的條件眾多，如：熔膠溫度、射出速度、保壓壓力、保壓時(shí)間等機(jī)臺(tái)參數(shù)設(shè)置。可利用模具內(nèi)設(shè)置多個(gè)壓力感測(cè)器取得可應(yīng)用之壓力數(shù)據(jù)，并將其進(jìn)行后續(xù)之應(yīng)用，機(jī)器學(xué)習(xí)的進(jìn)步造就在質(zhì)量預(yù)測(cè)上之效果逐漸提升。
在本研究利用壓力數(shù)據(jù)信息進(jìn)行資料前處理，將其分為3種方法。第1種將擷取數(shù)據(jù)不進(jìn)行任何處理在此作為全域壓力、第2種則是進(jìn)行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進(jìn)行多層感知器編碼，第3種則是使用透過(guò)領(lǐng)域知識(shí)背景之指標(biāo)化特征提取，并將以上取得特征進(jìn)行相關(guān)系數(shù)分析對(duì)于質(zhì)量之相關(guān)性，透過(guò)集成式機(jī)器學(xué)習(xí)[2]，進(jìn)行多質(zhì)量目標(biāo)之預(yù)測(cè)，同時(shí)比較3種特征之預(yù)測(cè)準(zhǔn)確度，進(jìn)而提供較具優(yōu)勢(shì)之生成式人工智能模型機(jī)器學(xué)習(xí)訓(xùn)練方法，如圖1。
圖1：生成式射出成型多質(zhì)量預(yù)測(cè)之示意圖
實(shí)驗(yàn)設(shè)計(jì)與流程
本研究細(xì)分為三個(gè)主要部分：「射出成型實(shí)驗(yàn)設(shè)計(jì)」、「資料前處理」，以及「生成式人工智能預(yù)測(cè)」。
射出成型實(shí)驗(yàn)設(shè)計(jì)階段
本研究采用田口方法進(jìn)行模流分析。具體進(jìn)行兩次的L27田口實(shí)驗(yàn)，共計(jì)54個(gè)模次。在每個(gè)模次中，設(shè)置4個(gè)感測(cè)節(jié)點(diǎn)，以擷取壓力數(shù)據(jù)、塑件尺寸（圖2），以及流道和塑件的總重量。
資料前處理階段
本研究從擷取到的壓力數(shù)據(jù)中采用了兩種不同的處理方法。首先是對(duì)整體壓力數(shù)據(jù)進(jìn)行處理，其次是將射出成型過(guò)程中的三個(gè)主要階段分別進(jìn)行壓力數(shù)據(jù)的分段處理。
展開(kāi) 射出成型制程三大階段依序?yàn)槌涮睢⒈号c冷卻，利用射出成型技術(shù)生產(chǎn)之成品容易發(fā)生翹曲與收縮變形情況，造成成品缺陷有許多因素，包含材料特性、加工參數(shù)設(shè)置、環(huán)境與模具等影響，運(yùn)用工程統(tǒng)計(jì)與CAE模擬進(jìn)行具備策略性的加工制程調(diào)整能夠更有效率控制質(zhì)量。透過(guò)感測(cè)技術(shù)分析壓力曲線所具備之物理意義，用于調(diào)整機(jī)臺(tái)以利取得最佳參數(shù)設(shè)置，獲得高質(zhì)量成品[1]。
在射出成型過(guò)程中可控制的條件眾多，如：熔膠溫度、射出速度、保壓壓力、保壓時(shí)間等機(jī)臺(tái)參數(shù)設(shè)置。可利用模具內(nèi)設(shè)置多個(gè)壓力感測(cè)器取得可應(yīng)用之壓力數(shù)據(jù)，并將其進(jìn)行后續(xù)之應(yīng)用，機(jī)器學(xué)習(xí)的進(jìn)步造就在質(zhì)量預(yù)測(cè)上之效果逐漸提升。
在本研究利用壓力數(shù)據(jù)信息進(jìn)行資料前處理，將其分為3種方法。第1種將擷取數(shù)據(jù)不進(jìn)行任何處理在此作為全域壓力、第2種則是進(jìn)行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進(jìn)行多層感知器編碼，第3種則是使用透過(guò)領(lǐng)域知識(shí)背景之指標(biāo)化特征提取，并將以上取得特征進(jìn)行相關(guān)系數(shù)分析對(duì)于質(zhì)量之相關(guān)性，透過(guò)集成式機(jī)器學(xué)習(xí)[2]，進(jìn)行多質(zhì)量目標(biāo)之預(yù)測(cè)，同時(shí)比較3種特征之預(yù)測(cè)準(zhǔn)確度，進(jìn)而提供較具優(yōu)勢(shì)之生成式人工智能模型機(jī)器學(xué)習(xí)訓(xùn)練方法，如圖1。
圖1：生成式射出成型多質(zhì)量預(yù)測(cè)之示意圖
實(shí)驗(yàn)設(shè)計(jì)與流程
本研究細(xì)分為三個(gè)主要部分：「射出成型實(shí)驗(yàn)設(shè)計(jì)」、「資料前處理」，以及「生成式人工智能預(yù)測(cè)」。
射出成型實(shí)驗(yàn)設(shè)計(jì)階段
本研究采用田口方法進(jìn)行模流分析。具體進(jìn)行兩次的L27田口實(shí)驗(yàn)，共計(jì)54個(gè)模次。在每個(gè)模次中，設(shè)置4個(gè)感測(cè)節(jié)點(diǎn)，以擷取壓力數(shù)據(jù)、塑件尺寸（圖2），以及流道和塑件的總重量。
資料前處理階段
本研究從擷取到的壓力數(shù)據(jù)中采用了兩種不同的處理方法。首先是對(duì)整體壓力數(shù)據(jù)進(jìn)行處理，其次是將射出成型過(guò)程中的三個(gè)主要階段分別進(jìn)行壓力數(shù)據(jù)的分段處理。
展開(kāi) </p><p><br></p><p><strong>? 本體驅(qū)動(dòng)對(duì)齊：</strong></p><p><br></p><p>以抽象且人類可讀的語(yǔ)言描述數(shù)據(jù)，<strong>使 LLM 與文本語(yǔ)言訓(xùn)練方式一致</strong>，促進(jìn)更加精確的上下文感知 AI 解決方案，還能輔助生成更準(zhǔn)確的圖形查詢。</p><p><br></p><p><strong>? 捕獲復(fù)雜關(guān)系與推理：</strong></p><p><br></p><p>知識(shí)圖譜可捕捉復(fù)雜數(shù)據(jù)關(guān)系并進(jìn)行高級(jí)推理，提取關(guān)聯(lián)信息，為用戶的臨時(shí)性問(wèn)題生成相關(guān)且有深度的答案。</p><p><br></p><p><strong>? 具備擴(kuò)展性與語(yǔ)義精度：</strong></p><p><br></p><p>知識(shí)圖譜持續(xù)發(fā)展，<strong>包含實(shí)時(shí)分析和聚合計(jì)算所需數(shù)據(jù)</strong>，確保 AI 輸出的時(shí)效性和準(zhǔn)確性。</p><p><br></p><p><strong>? 助力微調(diào)或訓(xùn)練 LLM：</strong></p><p><br></p><p>訓(xùn)練對(duì)于將內(nèi)部數(shù)據(jù)融入解決方案至關(guān)重要。讓 LLM 學(xué)習(xí)本體和參考數(shù)據(jù)，可提升其輸出質(zhì)量。</p><p><br></p><p><strong>? 支持 RAG：</strong></p><p><br></p><p>知識(shí)圖譜通過(guò)創(chuàng)建文本片段并矢量化，<strong>支持 RAG 方法</strong>。LLM 利用向量嵌入檢索相關(guān)信息，為響應(yīng)輸出提供寶貴的上下文內(nèi)容。
展開(kāi) 尤其在數(shù)據(jù)閉環(huán)迭代、長(zhǎng)尾場(chǎng)景驗(yàn)證及安全冗余驗(yàn)證等關(guān)鍵環(huán)節(jié)中，高保真、高復(fù)雜度的場(chǎng)景生成能力正在成為測(cè)試體系的核心支撐。
傳統(tǒng)場(chǎng)景生成方式面臨效率低、人工成本高、行為多樣性不足等問(wèn)題，難以滿足當(dāng)前智能駕駛系統(tǒng)對(duì)大規(guī)模、多模態(tài)、真實(shí)物理驅(qū)動(dòng)場(chǎng)景的需求。為應(yīng)對(duì)這一挑戰(zhàn)，基于生成式AI的4D場(chǎng)景生成技術(shù)迅速興起，構(gòu)建了從環(huán)境建模、行為重建到視覺(jué)渲染的完整鏈條，正在重塑自動(dòng)駕駛仿真驗(yàn)證的技術(shù)基礎(chǔ)。
本文將從技術(shù)背景、系統(tǒng)能力、核心技術(shù)和實(shí)際應(yīng)用四個(gè)方面，系統(tǒng)梳理AI驅(qū)動(dòng)的4D場(chǎng)景生成體系及其在自動(dòng)駕駛仿真中的實(shí)踐價(jià)值。
一、測(cè)試覆蓋率瓶頸與生成式AI切入點(diǎn)
自動(dòng)駕駛測(cè)試需要應(yīng)對(duì)極其復(fù)雜的交通場(chǎng)景，包括非結(jié)構(gòu)化路口、弱交通規(guī)則區(qū)域、極端天氣、低照度場(chǎng)景，以及多主體交互引發(fā)的不確定性行為等。當(dāng)前基于真實(shí)數(shù)據(jù)采集或手工建模的方式存在如下限制：
（1）采集成本高：依賴實(shí)車、實(shí)景、多模態(tài)同步設(shè)備，周期長(zhǎng)、數(shù)據(jù)稀疏；
（2）稀有場(chǎng)景不足：事故場(chǎng)景、異常行為等真實(shí)比例極低，難以高質(zhì)量復(fù)現(xiàn)；
（3）組合爆炸問(wèn)題：參數(shù)空間（如天氣、時(shí)間、交通密度）指數(shù)級(jí)增長(zhǎng)，難以人工覆蓋；
（4）場(chǎng)景可控性弱：缺乏可調(diào)控的語(yǔ)義接口，測(cè)試粒度不足。
生成式AI具備從數(shù)據(jù)中學(xué)習(xí)潛在分布、生成新組合樣本的能力。其引入使得場(chǎng)景構(gòu)建從“手工定義”轉(zhuǎn)向“自動(dòng)生成”，具備如下優(yōu)勢(shì)：
（1）能構(gòu)造真實(shí)但未見(jiàn)過(guò)的長(zhǎng)尾組合；
（2）能對(duì)目標(biāo)測(cè)試策略進(jìn)行定向增強(qiáng)（如遮擋率、交通密度等指標(biāo)）；
（3）可支持大規(guī)模仿真測(cè)試平臺(tái)的持續(xù)供場(chǎng)；
（4）支持動(dòng)態(tài)交互與時(shí)間演進(jìn)建模，構(gòu)建完整4D語(yǔ)義閉環(huán)。
二、4D場(chǎng)景生成的核心能力
所謂4D場(chǎng)景生成，核心在于“空間 + 時(shí)間”的聯(lián)合建模能力，既要對(duì)物理環(huán)境建模，也要對(duì)場(chǎng)景中各類參與者的行為軌跡進(jìn)行動(dòng)態(tài)建模與演化。
展開(kāi) MINDS 獎(jiǎng)項(xiàng)與項(xiàng)目隸屬于世界經(jīng)濟(jì)論壇的 AI Global Alliance（全球人工智能聯(lián)盟）計(jì)劃，旨在甄選能夠在高復(fù)雜度、高風(fēng)險(xiǎn)挑戰(zhàn)中引領(lǐng)人工智能應(yīng)用落地的組織。新思科技與 AMD 是基于雙方在半導(dǎo)體芯片設(shè)計(jì)領(lǐng)域?qū)?qiáng)化學(xué)習(xí)、生成式 AI 以及代理式（Agentic）AI 應(yīng)用于工程流程方面的突出貢獻(xiàn)而受到表彰——這是一個(gè)對(duì)創(chuàng)新速度與精度要求極高的技術(shù)領(lǐng)域。
在芯片設(shè)計(jì)中引入人工智能，已不再是可選項(xiàng)。架構(gòu)復(fù)雜性快速攀升、性能目標(biāo)日益激進(jìn)以及人才缺口持續(xù)擴(kuò)大，使傳統(tǒng)的工程工作流面臨極限壓力。
AI 驅(qū)動(dòng)的設(shè)計(jì)流程緩解了這些壓力——它們并非取代工程師，而是提升專家知識(shí)的效能與決策質(zhì)量。代理式（Agentic）與基于學(xué)習(xí)的系統(tǒng)能夠幫助開(kāi)發(fā)者更快速地探索龐大的設(shè)計(jì)空間，更有效地權(quán)衡取舍，并在問(wèn)題成本最低時(shí)提前發(fā)現(xiàn)潛在隱患，從而實(shí)現(xiàn)更短的開(kāi)發(fā)周期、更高質(zhì)量的芯片以及更具韌性的創(chuàng)新鏈路。隨著上市時(shí)間壓力加劇以及高端芯片需求持續(xù)增長(zhǎng)，這類流程正成為半導(dǎo)體行業(yè)未來(lái)發(fā)展的關(guān)鍵路徑。
新思科技與 AMD 被選為 MINDS 獎(jiǎng)項(xiàng)得主，凸顯了在前所未有的行業(yè)壓力下，AI 創(chuàng)新在半導(dǎo)體行業(yè)中的戰(zhàn)略重要性。通過(guò)對(duì)這兩家公司的認(rèn)可和表彰，世界經(jīng)濟(jì)論壇強(qiáng)調(diào)：基于代理式（Agentic）和強(qiáng)化學(xué)習(xí)驅(qū)動(dòng)的 AI 正從實(shí)驗(yàn)階段邁向可規(guī)模化、可投入生產(chǎn)的工作流程。它們?cè)谠鰪?qiáng)人類開(kāi)發(fā)者專業(yè)能力的同時(shí)，為工程團(tuán)隊(duì)及更廣泛的科技生態(tài)體系帶來(lái)實(shí)質(zhì)性價(jià)值。
作為全球最具創(chuàng)新力企業(yè)的重要研發(fā)合作伙伴，新思科技始終致力于推動(dòng)行業(yè)前行。此次入選世界經(jīng)濟(jì)論壇 MINDS 項(xiàng)目，并因 AI 在芯片設(shè)計(jì)這一極其復(fù)雜的工程領(lǐng)域中的突破性應(yīng)用而獲得認(rèn)可，我們深感榮幸。
展開(kāi) 
生成式AI質(zhì)量預(yù)測(cè)的相關(guān)專題、標(biāo)簽、搜索
生成式AI質(zhì)量預(yù)測(cè)的最新內(nèi)容
識(shí)別生成式AI解決方案的商業(yè)價(jià)值 課程時(shí)長(zhǎng)：1小時(shí) 課程大小：140.0MB 發(fā)布年份：2026 課程內(nèi)容：許多機(jī)構(gòu)在引入生成式AI時(shí)，缺乏評(píng)估其價(jià)值與展示實(shí)際回報(bào)的清晰框架。本課程將幫助你掌握評(píng)估生成式AI應(yīng)用場(chǎng)景的能力，使其與實(shí)際業(yè)務(wù)成果相匹配。你將學(xué)習(xí)生成式AI基礎(chǔ)理念、成
高級(jí)RAG：構(gòu)建與部署生產(chǎn)級(jí)生成式AI應(yīng)用 發(fā)布于2026年，視頻格式MP4，視頻編碼h264，分辨率1920×1080，音頻編碼AAC，采樣率44.1kHz，雙聲道。課程共114講，時(shí)長(zhǎng)11小時(shí)，文件大小10.1GB。 你將學(xué)到：使用BM25混合搜索、RRF融合與Qdr
新思科技與 AMD 合作的項(xiàng)目入選世界經(jīng)濟(jì)論壇（World Economic Forum）的 MINDS（Meaningful, Intelligent, Novel, Deployable Solutions，即“有意義、智能化、創(chuàng)新性、可部署的解決方案”）人工智能項(xiàng)目。該項(xiàng)認(rèn)可意味著，兩家公司躋身全球在人工智能領(lǐng)域具有領(lǐng)先實(shí)踐的創(chuàng)新組織之列——這些組織不僅在技術(shù)上實(shí)現(xiàn)突破，更以落地應(yīng)用產(chǎn)生了可衡量的實(shí)際成效
近年來(lái)，伴隨自動(dòng)駕駛技術(shù)的快速發(fā)展，行業(yè)對(duì)于仿真測(cè)試平臺(tái)的精度、覆蓋率和可擴(kuò)展性提出了更高要求。尤其在數(shù)據(jù)閉環(huán)迭代、長(zhǎng)尾場(chǎng)景驗(yàn)證及安全冗余驗(yàn)證等關(guān)鍵環(huán)節(jié)中，高保真、高復(fù)雜度的場(chǎng)景生成能力正在成為測(cè)試體系的核心支撐。
傳統(tǒng)場(chǎng)景生成方式面臨效率低、人工成本高、行為多樣性不足等問(wèn)題，難以滿足當(dāng)前智能駕駛系統(tǒng)對(duì)大規(guī)模、多模態(tài)、真實(shí)物理驅(qū)動(dòng)場(chǎng)景的需求。為應(yīng)對(duì)這一挑戰(zhàn)，基于生成式AI的4D場(chǎng)景生成技術(shù)迅速興起
<p><br></p><p>如今，各行各業(yè)對(duì)生成式人工智能（GenAI）的參與度遠(yuǎn)超以往。GenAI 發(fā)展迅猛，不斷帶來(lái)新的機(jī)遇與價(jià)值。然而，對(duì)企業(yè)而言，實(shí)施 GenAI 常面臨諸多挑戰(zhàn)，或覺(jué)其難以駕馭，或擔(dān)憂風(fēng)險(xiǎn)過(guò)高。</p><p><br></p><p>盡管存在一定局限，但<strong>技術(shù)的進(jìn)步以及知識(shí)圖譜等工具的出現(xiàn)，正不斷強(qiáng)化 GenAI 的數(shù)據(jù)分析能力。</strong>在用戶 AI 環(huán)境中引入知識(shí)圖譜
臺(tái)灣師范大學(xué) 機(jī)電工程學(xué)系 / 柯坤呈 教授、王瑞志
臺(tái)東專科學(xué)校 動(dòng)力機(jī)械科 / 粘世智 教授
(轉(zhuǎn)載自繁體版ACMT電子技術(shù)月刊No.090)
摘要
射出成型是一項(xiàng)成熟的高分子加工技術(shù)，應(yīng)用領(lǐng)域極其廣泛例如汽車、光學(xué)、消費(fèi)性用品、民生用品、與IC封裝等，可以大規(guī)模、高效率且花費(fèi)較低成本進(jìn)行制造。
射出成型制程三大階段依序?yàn)槌涮睢⒈号c冷卻，利用射出成型技術(shù)生產(chǎn)之成品容易發(fā)生翹曲與收縮變形情況
臺(tái)灣師范大學(xué) 機(jī)電工程學(xué)系 / 柯坤呈 教授、王瑞志
臺(tái)東專科學(xué)校 動(dòng)力機(jī)械科 / 粘世智 教授
(轉(zhuǎn)載自繁體版ACMT電子技術(shù)月刊No.090)
摘要
射出成型是一項(xiàng)成熟的高分子加工技術(shù)，應(yīng)用領(lǐng)域極其廣泛例如汽車、光學(xué)、消費(fèi)性用品、民生用品、與IC封裝等，可以大規(guī)模、高效率且花費(fèi)較低成本進(jìn)行制造。
射出成型制程三大階段依序?yàn)槌涮?/div>
在前面的幾章節(jié)中探討了aiSim仿真合成數(shù)據(jù)的置信度，此外在場(chǎng)景重建和測(cè)試流程閉環(huán)的過(guò)程中，難免會(huì)面臨3D場(chǎng)景制作重建耗時(shí)長(zhǎng)、成本高、擴(kuò)展性低以及交通狀況復(fù)雜程度難以滿意等問(wèn)題，當(dāng)前的主要挑戰(zhàn)在于如何自動(dòng)化生成3D靜態(tài)場(chǎng)景并添加動(dòng)態(tài)實(shí)例編輯，從而有效縮短測(cè)試流程，擴(kuò)大仿真測(cè)試范圍。
編輯
圖1：實(shí)際圖像
圖2：NeRF
本文翻譯自：Smarter API Reviews With Gen AI
原文作者：Qt Group軟件工程師Daniel Smith
隨著生成式AI的興起，各企業(yè)正試圖探索如何在其環(huán)境中實(shí)施，以提升流程的效率。或許最佳切入點(diǎn)是尋找流程中的現(xiàn)有痛點(diǎn)，然后思考AI如何應(yīng)對(duì)這些問(wèn)題。（本篇博文由真人撰寫）
Dall-E 3圖像生成提示語(yǔ)：一臺(tái)設(shè)計(jì)時(shí)尚的未來(lái)智能機(jī)器人坐在電腦前
